Datina 1: Grammar of Graphics

¿Qué es?

ggplot2

Para fines prácticos de esta sesión trabajaremos con el paquete de R ggplot2.

También existe una alternativa en python para grammar of graphics llamada plotnine la cual está basada en ggplot2.

¿Qué NO es está Datina?

¿Qué SÍ es está Datina?

• Vista rápida en el porqué la gramática de gráficos es útil es la mayoría de DataSets

• Un espacio para que florezcan dudas e inquitudes sobre la visualización de datos.

Base de Datos

Se usará el DataSet de Suicide Rates Overview 1985 to 2016 el cuál compara información socioeconómica con tasas de suicidio por año y país para explicar cómo funciona the grammar of Graphics.

data <- read.csv("media/master.csv")
head(data)

Comparación de enfoques Forma Tradicional vs Grammar of Graphics

Forma Tradicional

plot(data$population, data$suicides_no)

Plotear con ggplot / plotnine

library(ggplot2)

ggplot(data, aes(x = population, y = suicides_no)) +
  geom_point()

Agregar color dependiendo del sexo

Introducción a wide and long data

• Wide format data tiene valores que no se repiten en la primera columna.

• Long format data tiene valores que se repiten en la primera columna.

Forma Tradicional (Wide Format)

Se crean nuevas columnas para la población y número de suicidios de hombres y de mujeres.

library(dplyr)
library(tidyr)
library(knitr)

df_wide <- data %>%
  select(country, year, age, sex, suicides_no, population) %>%
  pivot_wider(
    values_from = c("population", "suicides_no"),
    names_from = "sex",
    id_cols = c("country", "year", "age")
  )

head(df_wide)

plot(df_wide$population_male, df_wide$suicides_no_male, col = "red")
points(df_wide$population_female, df_wide$suicides_no_female, col = "blue")

Grammar of Graphics

Grammar of graphics usa Long Format, por lo que no es necesario crear nuevas columnas.

ggplot(data, aes(x = population, y = suicides_no, colour = sex))+
  geom_point()

Aesthetics and Geoms

aes(x = population, y = suicides_no, colour = sex)

• La estética del gráfico se asocia con valores para cada uno de nuestros de la siguiente manera:

  • El eje horizontal con la columna de population
  • El eje vertical con la columna de suicides_no
  • El color de los puntos con la columna de sex

• geoms controlan como la estética se visualiza.

Color por país

library(dplyr)

set.seed(1)
random_countries <- sample(unique(data$country), 5)

filtered_data <- data %>%
  filter(country %in% random_countries)

age_order <- c("5-14 years", "15-24 years", "25-34 years", 
               "35-54 years", "55-74 years", "75+ years")

filtered_data <- filtered_data %>%
  mutate(age = factor(age, levels = age_order))

ggplot(filtered_data, aes(x = population, y = suicides_no, colour = country)) +
  geom_point()

Shape por país

ggplot(filtered_data, aes(x = population, y = suicides_no, shape = country)) +
  geom_point()

Regresión (Lineal) por país

ggplot(filtered_data, aes(x = population, y = suicides_no, colour = country)) +
  geom_point(alpha = 0.3) + geom_smooth(method = "lm", se = F)

Regresión de todos (5) los países

ggplot(filtered_data, aes(x = population, y = suicides_no)) +
  geom_point(alpha = 0.3, aes(colour = country)) +
  geom_smooth(method = "lm", se = F, colour = "black")

¿Qué es un geom?

• geom_point y geom_smooth son ambos elementos geométricos (“geoms”) usados para representar datos.
• Aquí ambos usan las mismas variables x y y para producir una diferente vosualización.
• Otros ejemplos son geom_line, geom_histagram, geom_violin, geom_rectangle.

dummy_df <- data.frame(
  x = c(1, 2, 3),
  y = c(2, 4, 10),
  label = c("a", "b", "c")
)

head(dummy_df)

Puntos

ggplot(dummy_df, aes(x,y, label = label)) + 
  theme(text = element_text(size=14)) + 
  geom_point()

Texto

ggplot(dummy_df, aes(x,y, label = label)) + 
  theme(text = element_text(size=14)) + 
  geom_text(size = 18)

Columnas

ggplot(dummy_df, aes(x,y, label = label)) + 
  theme(text = element_text(size=14)) + 
  geom_col()

Linea

ggplot(dummy_df, aes(x,y, label = label)) + 
  theme(text = element_text(size=14)) + 
  geom_line()

Linea y puntos

ggplot(dummy_df, aes(x,y, label = label)) + 
  theme(text = element_text(size=14)) + 
  geom_line() + geom_point()

Polígono

ggplot(dummy_df, aes(x,y, label = label)) + 
  theme(text = element_text(size=14)) + 
  geom_polygon()

Orden de Capas

El orden de los geoms importa. En este caso al ser geom_smooth el último geom, se plotea adelante del gráfico.

ggplot(filtered_data, aes(x = population, y = suicides_no)) +
  geom_point(alpha = 0.3, aes(colour = country)) +
  geom_smooth(method = "lm", se = F, colour = "black")

Aquí en cambio la línea de regresión se muestra debajo de los puntos.

ggplot(filtered_data, aes(x = population, y = suicides_no)) +
  geom_smooth(method = "lm", se = F, colour = "black") +
  geom_point(alpha = 0.3, aes(colour = country)) 

Cambiar las escalas de los ejes

Es muy fácil cambiar las escalas de los ejes, aquí por ejemplo se muestra un cambio en escala de raíz cuadrada.

ggplot(filtered_data, aes(x = population, y = suicides_no)) +
  geom_point(alpha = 0.3, aes(colour = country)) +
  scale_x_sqrt() + scale_y_sqrt()

Volviendo a nuestro DataSet

¿Cuáles ha sido las tendencias de suicidios a lo largo del tiempo?

Esta visualización no termina de ser muy informativa.

ggplot(filtered_data, aes(x = year, y = suicides_no)) + 
  geom_point(alpha = 0.3)

Boxplots

ggplot(filtered_data, aes(x = as.factor(year), y = suicides_no)) + 
  geom_boxplot()

Voltear Boxplots

Sigue sin ser una buena visualización, porque no explica la tendencia a nivel país.

ggplot(filtered_data, aes(x = as.factor(year), y = suicides_no)) + 
  geom_boxplot() + 
  coord_flip()

Tendencias por país

Obtenemos una visualización ruidosa.

ggplot(filtered_data, aes(x = as.factor(year), y = suicides_no, fill = country)) + 
  geom_boxplot() + 
  coord_flip()

Separar por grupos de edades

ggplot(filtered_data, aes(x = year, y = suicides_no, colour = country, shape = age)) + 
  geom_point(alpha = 0.8) 

Facet Panelling

• Crear subgráficos (facets)

• Cada facet representa un gráfico de un subconjunto de tu data.

Facet por país

ggplot(filtered_data, aes(x = year, y = suicides_no, shape = age)) + 
  geom_point() +  facet_wrap(~country) 

Paneles de Edad y País

ggplot(filtered_data, aes(x = year, y = suicides_no)) + 
  geom_point() +  facet_grid(vars(country), vars(age), scales = "free") 

Agregar color en sexo

ggplot(filtered_data, aes(x = year, y = suicides_no, colour = sex)) + 
  geom_point() +  facet_grid(vars(country), vars(age), scales = "free") 

Cambiar puntos a lineas

ggplot(filtered_data, aes(x = year, y = suicides_no, colour = sex)) + 
  geom_line() +  facet_grid(vars(country), vars(age), scales = "free") 

Beneficios de GG

• Exploración de datos rápida.

• Permite tener un orden de capas entre variables.

• Existen muchísimos gráficos.

Referencias de Consulta